La storia del metodo Monte Carlo comincia nel modo più improbabile: con un matematico a letto che gioca a carte. Nel 1946, Stanisław Ulam<\/strong>, matematico polacco in convalescenza dopo un intervento chirurgico, si ritrovò a giocare a solitario per passare il tempo. Da matematico qual era, si chiese: quante probabilità ho di vincere una partita?<\/p>\n\n\n\n Il problema, sulla carta, era risolvibile: bastava enumerare tutte le possibili combinazioni di carte e contare quelle favorevoli. In pratica, però, il numero di combinazioni era talmente enorme da rendere il calcolo analitico impraticabile. Ulam ebbe allora un’intuizione tanto semplice quanto potente: anziché calcolare la probabilità esatta, perché non simulare centinaia di partite e contare quante volte si vince?<\/strong><\/p>\n\n\n\n L’idea è disarmante nella sua semplicità. Se giochiamo 1.000 partite e ne vinciamo 230, possiamo stimare la probabilità di vittoria intorno al 23%. Più partite simuliamo, più la stima si avvicina al valore reale. Questo è, in essenza, il metodo Monte Carlo<\/strong>: usare la simulazione casuale per risolvere problemi che sarebbero troppo complessi da affrontare analiticamente.<\/p>\n\n\n\n Ulam condivise l’idea con il collega John von Neumann<\/strong>, probabilmente il più brillante matematico del XX secolo, che ne intravide immediatamente il potenziale. Von Neumann capì che l’ENIAC<\/strong> — uno dei primissimi computer elettronici, che occupava un’intera stanza — poteva eseguire migliaia di simulazioni in tempi ragionevoli. Insieme svilupparono il metodo per un problema ben più serio del solitario: la diffusione dei neutroni<\/strong> nelle bombe atomiche, nell’ambito del progetto Manhattan a Los Alamos.<\/p>\n\n\n\n Il nome “Monte Carlo” fu scelto come nome in codice, un riferimento al celebre casinò di Monte Carlo<\/strong> a Monaco. La leggenda vuole che l’ispirazione venisse dallo zio di Ulam, noto giocatore d’azzardo. In fondo, il cuore del metodo è proprio il caso: generare numeri casuali per esplorare spazi di possibilità troppo vasti per essere percorsi sistematicamente.<\/p>\n\n\n\n Da quei primi esperimenti nucleari degli anni ’40, il metodo Monte Carlo si è diffuso in ogni campo della scienza e dell’ingegneria. Oggi è uno degli strumenti computazionali più utilizzati al mondo, dalla fisica delle particelle alla finanza, dal rendering cinematografico alla scoperta di nuovi farmaci. Vediamo come funziona.<\/p>\n\n\n\n Il fondamento del metodo Monte Carlo poggia su un principio statistico che abbiamo già incontrato in altri articoli: la legge dei grandi numeri<\/strong>. In termini semplici, questa legge ci dice che la media di un campione casuale si avvicina alla media della popolazione man mano che il campione cresce. Tradotto nel linguaggio Monte Carlo: più simulazioni eseguiamo, più il risultato sarà accurato<\/strong>.<\/p>\n\n\n\n Per eseguire una simulazione Monte Carlo abbiamo bisogno di numeri casuali<\/strong>. In realtà, i computer non generano numeri veramente casuali: utilizzano algoritmi deterministici che producono sequenze di numeri pseudo-casuali<\/strong>, con proprietà statistiche indistinguibili dal caso reale. In R, ad esempio, la funzione Un aspetto cruciale è il tasso di convergenza<\/strong>. L’errore della stima Monte Carlo diminuisce come 1\/√n<\/strong>, dove n è il numero di simulazioni. Questo significa che per dimezzare l’errore dobbiamo quadruplicare le simulazioni; per ottenere una cifra decimale in più di precisione, servono 100 volte più iterazioni. Non è particolarmente efficiente, ma la bellezza del metodo sta nel fatto che funziona indipendentemente dalla complessità del problema<\/strong>: che il problema abbia 2 o 2.000 variabili, il tasso di convergenza resta lo stesso.<\/p>\n\n\n\n Va sempre tenuto bene a mente: nella pratica quotidiana dobbiamo bilanciare la precisione desiderata<\/strong> con le risorse computazionali disponibili<\/strong>. Aumentare il numero di simulazioni comporta un costo in termini di tempo di calcolo. Fortunatamente, i computer moderni rendono questo compromesso molto più favorevole rispetto ai tempi dell’ENIAC.<\/p>\n\n\n\n Vediamo concretamente come si applica il metodo Monte Carlo. Il procedimento si articola in quattro passi fondamentali:<\/p>\n\n\n\n 1. Definire il modello.<\/strong> Per prima cosa, identifichiamo le variabili del problema e le distribuzioni di probabilità che le governano. Ad esempio, se vogliamo simulare il rendimento di un investimento, il modello includerà il rendimento atteso (media) e la volatilità (deviazione standard), assumendo tipicamente una distribuzione normale dei rendimenti.<\/p>\n\n\n\n 2. Generare scenari casuali.<\/strong> Utilizzando un generatore di numeri pseudo-casuali, produciamo migliaia di scenari possibili. Ogni scenario rappresenta una “storia alternativa”: un modo in cui le cose potrebbero andare.<\/p>\n\n\n\n 3. Calcolare il risultato per ogni scenario.<\/strong> Per ciascuno scenario, applichiamo il modello e otteniamo un risultato. Se stiamo simulando un investimento, il risultato sarà il valore finale del portafoglio.<\/p>\n\n\n\n 4. Aggregare i risultati.<\/strong> Infine, analizziamo l’insieme dei risultati: calcoliamo la media, la mediana, i percentili. Questo ci dà non solo una stima del risultato atteso, ma un’intera distribuzione delle possibilità<\/strong>. Ed è qui che il Monte Carlo brilla: non ci dice solo “quanto probabilmente guadagneremo”, ma anche “quanto potremmo perdere nel caso peggiore”.<\/p>\n\n\n\n Facciamo un esempio al volo per chiarire il concetto della convergenza. Immaginiamo di lanciare una moneta e di voler stimare la probabilità che esca testa. Dopo 10 lanci potremmo ottenere 7 teste (70%), una stima molto lontana dal vero 50%. Dopo 100 lanci saremo più vicini, forse 53%. Dopo 10.000 lanci, la nostra stima sarà molto vicina al 50%. Questo è il Monte Carlo in azione: sostituiamo un calcolo teorico con un esperimento ripetuto migliaia di volte.<\/p>\n\n\n\n La potenza del metodo risiede nella sua flessibilità<\/strong>. Mentre i metodi analitici richiedono formule chiuse (che spesso non esistono per problemi complessi), il Monte Carlo richiede solo di saper simulare il processo. Se riusciamo a scrivere un programma che genera uno scenario, il Monte Carlo ci dà la distribuzione dei risultati.<\/p>\n\n\n\n L’esempio più classico e didatticamente efficace del metodo Monte Carlo è la stima del numero π<\/strong>. L’idea è elegante: consideriamo un quadrato di lato 2 con un cerchio di raggio 1 inscritto al suo interno. L’area del quadrato è 4, l’area del cerchio è π. Se generiamo punti casuali all’interno del quadrato, la proporzione di punti che cadono dentro il cerchio sarà approssimativamente π\/4.<\/p>\n\n\n\n Calcoliamo in R con 100.000 punti:<\/p>\n\n\n\n Lo stesso in Python:<\/p>\n\n\n\n Con 100.000 punti otteniamo già una stima ragionevole, ma non precisissima: siamo alla seconda cifra decimale. Come dicevamo, per ottenere un’altra cifra di precisione servirebbero circa 100 volte più punti. Sembra difficile? In realtà, è davvero un giochetto da ragazzi — il computer fa tutto il lavoro pesante.<\/p>\n\n\n\n Passiamo a un esempio più vicino alla realtà operativa. Supponiamo di avere un portafoglio composto da tre azioni con le seguenti caratteristiche:<\/p>\n\n\n\n Vogliamo stimare la probabilità che il rendimento del portafoglio superi il 10%. Simuliamo in R con 10.000 scenari:<\/p>\n\n\n\n Lo stesso in Python:<\/p>\n\n\n\n Il risultato ci dice che c’è circa il 45% di probabilità di superare il 10% di rendimento. Notiamo come il Monte Carlo ci restituisca non un singolo numero, ma un’intera distribuzione: potremmo facilmente calcolare anche il rendimento mediano, il peggior scenario al 5° percentile, la probabilità di perdita, e così via.<\/p>\n\n\n\n Per rendere il concetto ancora più tangibile, abbiamo costruito un simulatore interattivo<\/strong> che applica il metodo Monte Carlo alla previsione del valore futuro di un investimento. Il modello alla base è il Geometric Brownian Motion<\/strong> (GBM), lo stesso utilizzato nel celebre modello di Black-Scholes per il pricing delle opzioni finanziarie.<\/p>\n\n\n\n In termini intuitivi, il prezzo futuro di un asset si calcola come il prezzo corrente moltiplicato per una crescita casuale. La formula è:<\/p>\n\n\n\n S(t+1) = S(t) × exp((μ − σ²\/2) + σ × Z)<\/strong><\/p>\n\n\n\n dove μ<\/strong> è il rendimento atteso annuo (la “crescita media”), σ<\/strong> è la volatilità (quanto il prezzo oscilla, la nostra misura di incertezza), e Z<\/strong> è un numero casuale con distribuzione normale. Ogni simulazione genera un percorso diverso: alcuni scenari vedranno il portafoglio crescere molto, altri lo vedranno diminuire. L’istogramma mostra la distribuzione di tutti i possibili risultati.<\/p>\n\n\n\nConcetti preliminari di base<\/h2>\n\n\n\n
runif()<\/code> genera numeri uniformemente distribuiti tra 0 e 1.<\/p>\n\n\n\nIl metodo Monte Carlo in azione<\/h2>\n\n\n\n
Esempi pratici: stima di π e portafoglio azionario<\/h2>\n\n\n\n
Esempio 1: stimare il valore di π<\/h3>\n\n\n\n
set.seed(123)\nn <- 100000\nx <- runif(n, -1, 1)\ny <- runif(n, -1, 1)\ninside <- (x^2 + y^2) <= 1\npi_estimate <- 4 * sum(inside) \/ n\npi_estimate\n# [1] 3.13956<\/code><\/pre>\n\n\n\nimport random\nrandom.seed(123)\nn = 100000\ninside = sum(1 for _ in range(n)\n if random.uniform(-1, 1)**2 + random.uniform(-1, 1)**2 <= 1)\npi_estimate = 4 * inside \/ n\nprint(pi_estimate)\n# 3.14268<\/code><\/pre>\n\n\n\nEsempio 2: stima del rendimento di un portafoglio azionario<\/h3>\n\n\n\n
\n\n
Azione<\/th> Rendimento atteso<\/th> Deviazione standard<\/th> Peso nel portafoglio<\/th><\/tr>\n<\/thead>\n A<\/td> 8%<\/td> 12%<\/td> 40%<\/td><\/tr>\n B<\/td> 10%<\/td> 15%<\/td> 30%<\/td><\/tr>\n C<\/td> 12%<\/td> 18%<\/td> 30%<\/td><\/tr>\n<\/tbody>\n<\/table><\/figure>\n\n\n\n set.seed(42)\nsim_A <- rnorm(10000, mean = 0.08, sd = 0.12)\nsim_B <- rnorm(10000, mean = 0.10, sd = 0.15)\nsim_C <- rnorm(10000, mean = 0.12, sd = 0.18)\nsim_portafoglio <- 0.4 * sim_A + 0.3 * sim_B + 0.3 * sim_C\nprob_risultato <- mean(sim_portafoglio >= 0.10)\nprob_risultato\n# [1] 0.4504<\/code><\/pre>\n\n\n\nimport random\nrandom.seed(42)\nn = 10000\ncount = 0\nfor _ in range(n):\n a = random.gauss(0.08, 0.12)\n b = random.gauss(0.10, 0.15)\n c = random.gauss(0.12, 0.18)\n ptf = 0.4 * a + 0.3 * b + 0.3 * c\n if ptf >= 0.10:\n count += 1\nprint(count \/ n)\n# 0.4479<\/code><\/pre>\n\n\n\nSimulatore Monte Carlo<\/h2>\n\n\n\n